Τζόνσον Τόμας, MD, AIBx – Σειρά Συνεντεύξεων

Ο Τζόνσον Τόμας είναι γιατρός με ειδικό ενδιαφέρον για την τεχνητή νοημοσύνη. Εκτός από την άσκηση της ιατρικής, του αρέσει επίσης η προγραμματισμός.

Η πρόσφατη ερευνητική του εργασία AIBx χρησιμοποιεί την ΤΝ για την ταξινόμηση των θυρεοειδικών結節. Αυτό είναι επίσης μια εξηγημένη ΤΝ, η οποία αυξάνει την εμπιστοσύνη του γιατρού στις προβλέψεις, Η έρευνα δημοσιεύθηκε στο Θυρεοειδής περιοδικό.

Είστε και γιατρός στην Mercy Clinic Endocrinology στο Springfield, MO, και ειδικός στη μηχανική μάθηση. Πώς βρήκατε την αγάπη σας και για τους δύο κόσμους, τον ιατρικό και τον προγραμματισμό;

Ήμουν πάντα ενθουσιασμένος με τους υπολογιστές. Μεγαλώνοντας στην Ινδία, είχα την τύχη να πάω σε ένα σχολείο με υπολογιστές. Είχαμε einen ενεργό υπολογιστικό клуб και μας δίδασκαν GWBasic. Αυτό ήταν ένα διαμονή σχολείο και οι μαθητές μπορούσαν να χρησιμοποιούν τους υπολογιστές κατά τη διάρκεια της ελεύθερης τους ώρας το απόγευμα ή κατά τη διάρκεια των διακοπών. Έτσι, ο φίλος μου και εγώ πήγαινα στο εργαστήριο και γράφαμε κώδικες. Κυρίως δημιουργούσαμε μικρά παιχνίδια arcade.

Όταν αποφοιτήθηκα από το 12ο έτος, ήταν δύσκολο να αποφασίσω μεταξύ μηχανικής και ιατρικής. Ο πατέρας μου και ο παππούς μου ήταν γιατροί. Ο πατέρας μου ήταν ενθουσιασμένος με τη δουλειά του και του άρεσε να βοηθά τους ανθρώπους. Ήταν επίσης πολύ ευτυχισμένος με τη δουλειά του. Έτσι, τελικά, αποφάσισα να πάω στη ιατρική σχολή. Και εκεί, έγραφα λίγο κώδικα. Με τα χρόνια, ολοκλήρωσα τη ιατρική σχολή, την ειδίκευση στην εσωτερική παθολογία και αργότερα ολοκλήρωσα την εξειδίκευσή μου στην ενδοκρινολογία. Μετά που άρχισα να εργάζομαι, είχα λίγο περισσότερο χρόνο να εξερευνήσω τον προγραμματισμό. Γύρω σε αυτή τη στιγμή, η ΤΝ και η μηχανική μάθηση γινόταν πιο δημοφιλής. Έτσι, άρχισα να παρακολουθώ διαδικτυακά μαθήματα και μετά άρχισα να κάνω μικρά προ젝트 χρησιμοποιώντας δημόσιες ιατρικές βάσεις δεδομένων.

Η πιο πρόσφατη ερευνητική σας εργασία AIBx χρησιμοποιεί την ΤΝ για την ταξινόμηση των θυρεοειδικών結節 σε θετικά ή αρνητικά για καρκίνο. Τι σας ενέπνευσε να εργαστείτε σε αυτό το έργο;

Ένας από τους τομείς στους οποίους ειδικεύομαι στην ενδοκρινολογία είναι οι θυρεοειδικοί όγκοι και οι καρκίνοι του θυρεοειδούς. Κάνουμε εκατοντάδες βιοψίες το χρόνο, αλλά μόνο λίγες από αυτές είναι καρκίνοι. Αυτό δεν φαίνεται σαν ένας αποτελεσματικός τρόπος για να χρησιμοποιήσουμε τους πόρους μας. Αυτό ήταν το 2015. Τότε, μπορούσα μόνο να εργαστώ με αριθμητικά δεδομένα. Έτσι, συλλογή ultrasound χαρακτηριστικών των θυρεοειδικών όγκων σε ένα excel αρχείο και τα χρησιμοποιήσα για να δημιουργήσω ένα μοντέλο μηχανικής μάθησης χρησιμοποιώντας XGboost. Αυτό αναπτύχθηκε ως một ιστοσελίδα στο www.TUMScore.com.

Παρουσίασα αυτή την έρευνα στον Καναδά κατά τη διάρκεια της ετήσιας συνάντησης της Αμερικανικής Θυρεοειδικής Εταιρείας το 2017. Αλλά αυτό ήταν ακόμη πολύ υποκειμενικό. Όπως η ομορφιά βρίσκεται στο μάτι του παρατηρητή, τα χαρακτηριστικά του ultrasound εξαρτώνται από ποιος τα διαβάζει. Υπάρχει πολλή εσωτερική και εξωτερική μεταβλητότητα. Έτσι, άρχισα να εξερευνώ επιλογές που είναι πιο αντικειμενικές. Αυτό οδήγησε στην ταξινόμηση εικόνας. Αλλά το πρόβλημα με την ταξινόμηση εικόνας είναι ότι είναι κυρίως μη εξηγημένη. Πώς μπορεί ένας γιατρός να εμπιστευτεί τον αλγόριθμο; Έτσι, αποφασίσαμε να μιμηθούμε τη σκέψη του γιατρού.

Οι περισσότεροι γιατροί έχουν μια ιδέα για το πώς πρέπει να φαίνεται ένας καρκινικός θυρεοειδικός όγκος. Συγκρίνουν μια νέα εικόνα ultrasound με αυτή τη νοητική εικόνα. Βασισμένοι σε αυτό, αποφασίσαμε να δημιουργήσουμε einen αλγόριθμο ομοιότητας εικόνας. Έτσι, όταν ένας γιατρός ανεβάζει μια εικόνα στο AIBx, αυτό ανακτά παρόμοιες εικόνες από τη βάση δεδομένων μας μαζί με την πραγματική διάγνωση αυτών των όγκων. Ο γιατρός μπορεί να δει αυτές τις εικόνες και να αποδεχτεί ή να απορρίψει την έξοδο από το AIBx. Αυτή η διαδικασία αυξάνει την εμπιστοσύνη του γιατρού στον αλγόριθμο.

Πόσο μεγάλο ήταν το αρχικό σύνολο δεδομένων όταν εκκινήσατε αυτό το έργο;

Οι εικόνες θυρεοειδικού ultrasound είναι σε κλίμακα του γκρι και έχουν μόνο λίγα μοτίβα.既然 χρησιμοποιούσαμε ένα μοντέλο ομοιότητας εικόνας, δεν χρειαζόμασταν ένα μεγάλο σύνολο δεδομένων. Είχαμε 2025 εικόνες στη βάση δεδομένων μας που αντιπροσωπεύουν τις περισσότερες κοινοί ποικιλίες καρκίνου του θυρεοειδούς. Αυτές προέρχονταν από διαφορετικές μηχανές ultrasound.

Όταν πρόκειται για βαθιά μάθηση, τα μεγάλα δεδομένα είναι σημαντικά. Έχετε δει μια βελτίωση στις ταξινομήσεις με την πάροδο του χρόνου καθώς περισσότερες εικόνες θυρεοειδικού ultrasound προστίθενται στη βάση δεδομένων;

Η προσθήκη περισσότερων δεδομένων και η χρήση διαφορετικών τεχνικών προεπεξεργασίας για να αυξήσουμε τα διαθέσιμα δεδομένα μας βοήθησε να βελτιώσουμε τον αλγόριθμό μας. Αρχικά χρησιμοποιούσαμε εικόνες με τετραγωνική αναλογία, αλλά αργότερα προσθέσαμε εικόνες χωρίς τετραγωνική αναλογία και αυτό έχει βελτιώσει τα αποτελέσματά μας.

Οι εικόνες είναι αποκλειστικά από την κλινική σας ή έχετε άλλες κλινικές που σας παρέχουν επιπλέον εικόνες ultrasound;

Το παρόν μοντέλο έχει εικόνες από την κλινική Mercy Springfield Endocrinology και το νοσοκομείο Mercy. Γιατροί από άλλες υγειονομικές συστήματα και χώρες έχουν επικοινωνήσει μαζί μας για να διεξαγάγουν μια μελέτη επικύρωσης χρησιμοποιώντας τα δεδομένα τους. Είμαστε πολύ ενθουσιασμένοι με αυτή την ευκαιρία.

Πόσο ακριβής είναι η ΤΝ σε σύγκριση με έναν εκπαιδευμένο γιατρό;

Συγκρίναμε τα αποτελέσματα του AIBx με καθιερωμένα μέτρα των τρεχουσών συστημάτων ταξινόμησης. Στην πραγματική πρακτική, υπάρχει ευρεία μεταβλητότητα στα αποτελέσματα. Η θετική προβλεπτική αξία (η πιθανότητα ότι τα άτομα με θετικό τεστ έχουν πραγματικά την ασθένεια) μπορεί να είναι τόσο χαμηλή όσο 2% χρησιμοποιώντας τα τρέχοντα συστήματα ταξινόμησης. Αυτό σημαίνει ότι αν το σύστημα προβλέπει ότι 100 όγκοι έχουν καρκίνο, στην πραγματικότητα μόνο 2 από αυτούς τους 100 όγκους θα έχουν πραγματικά καρκίνο. Το AIBx έχει θετική προβλεπτική αξία 65,9% και αρνητική προβλεπτική αξία 93,2%

Πόσες άχρηστες βιοψίες θα μπορούσαμε να μειώσουμε με αυτό τον τύπο ΤΝ;

Βασισμένοι στην έρευνά μας, χρησιμοποιώντας το AIBx, θα μπορούσαμε να αποφύγουμε περισσότερες από τις μισές (57,3%) βιοψίες. Αλλά αυτό πρέπει να επικυρωθεί χρησιμοποιώντας εικόνες έξω από το σύστημα υγείας μας.

Πώς μπορούν τα νοσοκομεία, οι γιατροί ή άλλα ενδιαφερόμενα μέρη να βοηθήσουν σε αυτά τα έργα;

Καλωσορίζουμε τη συνεργασία από άλλους γιατρούς και συστήματα υγείας. Μπορούν να επικοινωνήσουν μαζί μας μέσω της ιστοσελίδας μας www.ThyroidBx.com ή να μας στείλουν email στο contact@ThyroidBx.com

Πόσο καιρό πιστεύετε ότι θα χρειαστεί μέχρι η μηχανική μάθηση να αντικαταστήσει τους γιατρούς για τη διάγνωση της πλειοψηφίας των καρκίνων;

Τα μέσα ενημέρωσης παρουσιάζουν την ΤΝ και τους γιατρούς ως ανταγωνιστικές οντότητες. Και οι δύο έχουν τα ισχυρά και τα αδύνατα σημεία τους. Η συμβίωση της ΤΝ και των γιατρών, που ενισχύει τις ικανότητές μας να εξυπηρετούμε τους ασθενείς μας, είναι καλύτερη από το τρέχον σύστημα. Λόγω της συμπληρωματικής φύσης των ρόλων τους, δεν πιστεύω ότι η ΤΝ θα αντικαταστήσει τους γιατρούς στο άμεσο μέλλον.

Τι σας ενθουσιάζει περισσότερο για την ΤΝ όταν πρόκειται για την υγεία;

Ελπίζω ότι η ΤΝ θα απελευθερώσει τους γιατρούς από τη δουλειά της εισαγωγής δεδομένων για να κάνουν αυτό για το οποίο κλήθηκαν, να ακούσουν, να συμπονοήσουν και να θεραπεύσουν όταν μπορούμε.

Είμαστε ενθουσιασμένοι να δώσουμε σε αυτό το έργο πρόσθετη προβολή. Για όποιον θέλει να μάθει περισσότερα, παρακαλώ επισκεφθείτε Θυρεοειδικό BX.